匹配口述回答：…订单号或错误码，向量检索反而不好使，因为短文本语义不丰富，这时候 [[BM25]] 的精确匹配更靠谱。所以真正落地，我倾向于 [[Hybrid Search]]，把稀疏和稠密两条路结合起来。然后说检索。在线阶段用户来了一个query，直接去向量库搜往往不够。比如用户问「退货怎么退」，但库里文档标题是「退款流程」，语义有偏差。所以我会先做一遍 Query改写，用大模型把问题扩写成更完整的表达，或者生成几个假设文档去检索。检索出来Top-K之后，不能直接塞给生成器，因为向量检索的…

#美团#检索器生成器协同#RAG 架构

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，因为大模型上下文窗口有限，不能把所有文档都塞进去，我会用 LLMLin…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…再在线流程。用户来了一个 query，先检索。我基本不会只用向量相似度，因为纯语义检索对专有名词、ID号这些不敏感，所以会做 [[Hybrid Search]]，向量检索加 [[BM25]] 关键词检索并行，结果合并后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把真正相关的文档排到前面。这一步很关键，能过滤掉很多语义相似但实际无关的噪声。举个例子，客服场景里用户问“我退款怎么还没到”，向量检索可能召回一堆退款政策文档，但真正需要的是该笔订单的处理状…

← 上一页第 5 / 5 页

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配口述回答：…还是拆成先捞后精再生成。我的观点是，没有银弹，真正落地常常是两阶段为主、端到端为辅，混着上。先说说两阶段。先做检索，比如用 [[Hybrid Search]] 把关键词和向量混着召回，再做 [[Rerank]] 精排，最后喂给大模型生成。这么做最大的好处是可控。比如在客服场景里，用户问“我的退款怎么还没到”，我可以先召回退款规则和订单记录，再让模型基于这些材料生成，这样答案有据可查。而且我可以随时调优中间环节，召回不够好就换检索策略，排序不准就调排序模型，不用动生成那一步。…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 字节

RAG 为何需要重排序?

匹配口述回答：…ecall@K，如果前20个里面没有正确答案，重排序再强也没用。所以落地时我会采用混合策略：先用[[BM25]]和向量检索做[[Hybrid Search]]，保证召回覆盖，再用LLM做重排序或生成。说白了，向量检索解决“找得快”，LLM解决“找得准”，两者互补。还有个延伸点：如果业务对实时性要求很高，比如金融实时风控，LLM重排序的延迟可能成为瓶颈。这时候我会考虑用[[Cross-Encoder]]做轻量级重排，或者干脆把重排序和生成合并，用[[Self-RAG]]让模…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…找 TopK 相似片段。实际项目里我一般不会只靠向量检索，因为专有名词、编号、缩写这类问题，[[BM25]] 反而更稳。所以会用 hybrid search，把向量召回和关键词召回合并，再用 reranker 做精排，把真正能回答问题的内容排到前面。检索之后是增强。这个阶段表面上是拼 prompt，本质上是上下文选择和上下文治理。要把重复片段去掉，把低相关片段过滤掉，把来源信息保留下来，还要控制总 token 长度。通常我会按“相关性、可信度、时间新旧、权限”来排序，最后组…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…但它的缺点是依赖 GPU 推理，而且对生僻词、数字、ID 类的匹配很弱。所以真正落地的时候，我很少只用一种。更常见的做法是 [[Hybrid Search]]，把 BM25 的精确匹配和稠密检索的语义理解结合起来，用加权融合或者 RRF 算法合并结果。这样既能捞到订单号，又能理解意图。再聊技术组件。稠密检索得把文档转成向量存起来，这就用到 [[Vector Database]] 了，像 [[Faiss]]、Milvus 这些。索引结构我重点说两个：[[HNSW]] 和 […

#字节#Retriever#RAG Retriever

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…等价，选计算更快的就行。但纯向量检索有硬伤：对同义词或者拼写错误还行，但精确匹配比如订单号、错误码就抓瞎。所以真正落地我会上[[Hybrid Search]]，向量加关键词，比如[[BM25]]，两条路都跑，结果融合。举个例子，客服场景用户说“我退款了但没到账”，向量能召回相似语义的退款政策，BM25能精确命中“退款”这个词。如果只做向量，那精确信息的召回率会低得没法用。还有一个常见失败场景：查询很短，比如就一个词“退款”，向量召回的结果可能偏，因为语义太宽。这时候我会加…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配口述回答：…号、错误码、订单号这类精确匹配时，不一定稳定；BM25 对这类词非常敏感，而且不需要训练。所以我一般会把 BM25 和向量召回做 hybrid search，再用 reranker 统一排序。参数上，k1 常见范围大概在 1.2 到 2.0，b 常用 0.75，但我不会迷信默认值。标题、短 query、短文档场景，长度差异本来就小，b 可以小一点；长文档检索里，b 可以适当调大。最终还是要用验证集看 Recall@K、MRR 或 NDCG，而不是凭经验拍脑袋。 BM25本质…

#美团#BM25#BM25 算法原理

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配口述回答：…检索阶段，用户 query 进来，我先做改写，比如补全指代、扩展同义词。然后不是只做向量检索，我一般会加上关键词检索，也就是 [[Hybrid Search]]，因为向量擅长语义但可能漏掉精确匹配，比如订单号。召回 top-K 之后再做一轮 [[Rerank]]，用 [[Cross-Encoder]] 精排，把相关性低的过滤掉。这么做的前提是重排模型不能太慢，否则延迟扛不住。生成阶段，把检索结果按相关性排序组装成上下文，控制 token 数，别超模型窗口。然后让 LLM 生…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…确的关键词匹配。如果用户问“我要退货”，但文档里写的是“退款”，同义词问题它就抓瞎。所以真正上线，我不会只用BM25，而是做 [[Hybrid Search]]，把BM25和 [[Dense Retrieval]] 结合起来，BM25保证精确匹配，向量检索捕捉语义相似。前提是向量检索的 [[Embedding]] 质量要够好，不然混进来一堆噪声反而拉低效果。另外，b参数的调优很容易被忽略。比如客服场景里文档长度差异巨大，b取0.75可能对短文档太友好，导致长文档里的关键信息…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…码这些场景，语义模型反而容易跑偏。而向量模型擅长语义理解，比如同义词、近义表达。所以真正落地时，我会把BM25和向量检索一起上，用Hybrid Search做融合。这里有个风险点：BM25依赖词频统计，如果文档集合很小或者分布不均匀，IDF算出来可能不准。另外它对同义词、多义词无能为力，比如用户搜“苹果”，分不清是水果还是公司。所以上线前我会特别关注召回结果的多样性，避免BM25只召回字面匹配的，漏掉语义相关的。常见失败场景是纯用BM25做知识库问答，用户表达稍微变化就召回…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…，定期重建base。另外，纯向量检索在短文本或专有名词场景下可能不如关键词，比如订单号、错误码，所以我会加上[[BM25]]做[[Hybrid Search]]，用规则或学习权重融合。说到混合检索，其实这里有一个延伸点：向量检索和关键词检索的权重怎么融合？是手动调参还是用学习模型动态决定？我倾向用轻量级模型学习权重，因为不同query对向量和关键词的依赖差别很大，比如“退货政策”更依赖语义，“订单12345”更依赖精确匹配。最后总结一下我的取舍：我更倾向于把embeddi…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…实体词，向量可能找不到，但关键词能命中。所以我会做多路召回，把向量检索和[[BM25]]或者[[稀疏检索]]结合起来，比如用 [[Hybrid Search]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Encoder]] [[重排]]到 Top-10。这一步很关键，能有效提升最终结果的相关性。另外，查询扩展也是个好手段，比如用HyDE先生成假设文档再检索，但它可能偏题，是否更准应做消融并计…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配口述回答：…e]] 里。这里有个取舍：纯向量检索语义好，但对精确匹配比如订单号、错误码很弱，所以落地时我一般会加上 [[BM25]] 做 [[Hybrid Search]]，两条路并行再合并结果。在线检索时，用户问题来了，先做查询改写，比如把“上个月的退款”扩展成“2025年3月的退款申请”，提升召回率。然后算相似度，取 Top-K，再用 [[Cross-Encoder]] 做 [[Rerank]]，把真正相关的排前面。最后组装成提示词，交给大模型生成答案，同时要求它引用来源。举个例…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…检索在精确匹配上比向量强得多，比如订单号、错误码这些，向量可能找偏，但[[BM25]]一搜一个准。所以真正落地的方案，我倾向做[[Hybrid Search]]，也就是向量和关键词两条路一起走，然后合并排序。举个例子，电商客服场景里，用户问“退款怎么还没到”，向量检索能召回相似语义的退款政策文档，但用户如果报了一串订单号，关键词检索能精准定位那条订单记录。两个互补，缺一个体验都会崩。再说RAG里的召回环节。检索质量直接决定了生成的天花板。我上线前会特别关注几个点：一是ch…

#美团#Embedding检索#Embedding 相似性检索